模板攻击是一种被认为能够充分利用功耗信息的最强攻击方法,目前该方法早已成为了侧信道研究领域中的最热门研究方向之一。该攻击方法对密码设备具有极大的威胁。随着密码算法及其应用的不断完善,目前通过侧信道设备采集的泄露信息数据,彼此之间的差异越来越小,传统模板攻击方法已经越来越难以攻击成功。机器学习中的部分分类算法与模板攻击部分步骤有着异曲同工的作用,人们开始将这些算法与模板攻击相结合,以提高最终的攻击效果。在现有的机器学习模板攻击方法中,不管是采用汉明重量为标签还是以中间值为标签,其分类结果会导致后续计算复杂,并影响模型的准确率。针对该问题,本文主要研究内容如下:（1）由于采集的功耗信息差异性较小,使得传统模板攻击成功率较低。针对该问题,本文引入了欧式距离算法设计和实现一个基于欧式距离的模板攻击系统。欧式距离算法能够更为精确的计算出两点之间的距离,其在模板攻击的特征选取和模板匹配阶段能够提高构建模板的精确度以及匹配的成功率。系统实现及测试结果表明,该系统提高了攻击的成功率。（2）在基于决策树的模板攻击方法中,当能量迹数量受到限制时,会导致构建模型的准确率有一定的下降。针对该问题,提出一种基于二次分类的模板攻击方法,并以决策树作为分类算法实现模板攻击。第一次分类中,将能量迹以汉明重量为标签,对数据进行分类,缩减密钥搜索范围;第二次以能量迹的中间值为标签进行分类,最终恢复密钥。实验测试结果表明,该方法相较于现有的基于决策树的模板攻击方法具有更高的攻击成功率。（3）支持向量机可以有效避开传统的数据归纳演绎过程,大大简化了分类问题,并且具有很好的鲁棒性。基于二次分类的模板攻击方法,以支持向量机作为分类算法进行模板攻击。实验测试结果表明,该方法相较于现有的基于支持向量机的模板攻击方法具有更高的攻击成功率。